实现思路：

抓取一个电影网站中的所有电影的思路如下：

1. 根据一个URL得到电影网站的所有分类
2. 得到每个分类中的电影的页数
3. 根据其电影分类的URL规律构造每个分类中每个页面的URL
4. 分析每个页面中的html，并用正则把电影信息过滤出来

准备工作：

1. 安装python（我用的是mac系统，默认的版本是Python 2.7.1 ）
2. 安装mongodb，从官网下载最新版本，然后启动即可，注意如放在外网的话，要设定验证密码或绑定地址为127.0.0.1，否则黑客轻易就进去了
3. 安装BeautifulSoup和pymongo模块
4. 安装一个python编辑器，我个人喜欢用sublime text2
5. 
   

编写部分：

这次以腾讯视频为例，其他视频网站只是换一下正则表达式。

1. 根据视频所有分类的URL获取网站中所有视频分类

腾讯的所有视频的URL为：http://v.qq.com/list/1_-1_-1_-1_1_0_0_20_0_-1_0.html

首先我们import urllib2包，封装一个读取url中html的方法，详细代码如下：

导入需要的模块并定义全局变量：

# -*- coding: utf-8 -*-
import re
import urllib2
from bs4 import BeautifulSoup
import string
import pymongo
NUM = 0 #全局变量,电影数量
m_type = u'' #全局变量,电影类型
m_site = u'qq' #全局变量,电影网站

gethtml方法，传入一个url，返回这个url的html内容：

#根据指定的URL获取网页内容
def gethtml(url):
 req = urllib2.Request(url) 
 response = urllib2.urlopen(req) 
 html = response.read()
 return html

然后查看这个URL的源码文件，得知其电影分类的信息在

标签内部，每条电信分类的格式为：

动作

ok，我们再写一个gettags方法，将所有的电影分类及url存放于一个字典中，代码如下：#从电影分类列表页面获取电影分类

def gettags(html):
 global m_type
 soup = BeautifulSoup(html) #过滤出分类内容
 #print soup
 #

 tags_all = soup.find_all('ul', {'class' : 'clearfix _group' , 'gname' : 'mi_type'})
　　#分离出包含电影分类信息的html，接下来用正则表达式过滤出来，只用(.+?)匹配我们兴趣的字段即可
 #动作
 re_tags = r'.+?'
 p = re.compile(re_tags, re.DOTALL)
 tags = p.findall(str(tags_all[0]))
 if tags:
 tags_url = {}
 #print tags
 for tag in tags:
 tag_url = tag[0].decode('utf-8')
 #print tag_url
 m_type = tag[1].decode('utf-8')
 tags_url[m_type] = tag_url 
else:
 print "Not Find"
 return tags_url

接下来用一个循环分类获取每个分类下电影的页数，代码如下：

 for url in tag_urls.items():
 print str(url[1]).encode('utf-8') #,url[0]
 maxpage = int(get_pages(str(url[1]).encode('utf-8')))
 print maxpage

获取每个分类中有多少页电影的代码如下：

#获取每个分类的页数
def get_pages(tag_url):
 tag_html = gethtml(tag_url)
 #div class="paginator
 soup = BeautifulSoup(tag_html) #过滤出标记页面的html
 #print soup
 #

 div_page = soup.find_all('div', {'class' : 'mod_pagenav', 'id' : 'pager'})
 #print div_page #len(div_page), div_page[0]
 #25
 re_pages = r'(.+?)'
 p = re.compile(re_pages, re.DOTALL)
 pages = p.findall(str(div_page[0]))
 #print pages
 if len(pages) > 1:
 return pages[-2]
 else:
 return 1

然后在每个分类中，根据其URL的规律生成具体的每页的URL，详细代码如下：

for url in tag_urls.items():
 print str(url[1]).encode('utf-8') #,url[0]
 maxpage = int(get_pages(str(url[1]).encode('utf-8')))
 print maxpage
 for x in range(0, maxpage):
 #http://v.qq.com/list/1_0_-1_-1_1_0_0_20_0_-1_0.html
 m_url = str(url[1]).replace('0_20_0_-1_0.html', '')
 movie_url = "%s%d_20_0_-1_0.html" % (m_url, x)
 print movie_url
 movie_html = gethtml(movie_url.encode('utf-8'))
 #print movie_html
 getmovielist(movie_html)

getmovielist函数的作用是将每页地址返回的html传入，然后从中过滤出电影信息所在的html块，详细代码如下：

def getmovielist(html):
 soup = BeautifulSoup(html)
 #

 divs = soup.find_all('ul', {'class' : 'mod_list_pic_130'})
 #print divs
 for div_html in divs:
 div_html = str(div_html).replace('
', '')
 #print div_html
 getmovie(div_html)

将过滤出来的包含电影信息的html代码块传入getmovie函数来分离出具体的电影信息并入库，详细代码如下：

def getmovie(html):
 global NUM #电影数量
 global m_type #电影类型
 global m_site #电影所在网站
 #
 徒步旅行队 
 
 
法国卖座喜剧片